原文链接：https://ryanshannon.substack.com/p/what-even-is-a-moat-anyway

本文作者：Ryan Shannon；编译：Cointime Freya

对初创企业最经常引用的批评是，他们的业务没有“护城河”。这对生成式AI公司来说越来越重要，它们经常被认为是“建立在GPT-3/4之上的薄层”或“建立在Stable Diffusion之上的UI”（这两个例子都被认为是不可持续的业务）。

就像风险投资领域中的许多事情一样，我担心这种说法经常被重复，而没有对它的实际含义进行必要的批判性思考。今天，我想深入了解护城河到底是什么，然后分析认为这些生成式AI企业都没有护城河说法是否真的公平。

防御是最好的进攻

当投资者谈论一家公司的护城河时，他们真正谈论的其实是“这家公司的防御能力如何”。换句话说，是什么阻止了其他公司以更低的价格做同样的事情赢得客户。这显然是一个企业的重要特征，因为它定义了一个公司的风险情况：可防御的企业风险较低，且更可预测，这意味着它们不太可能在一夜之间收缩或消失。投资者显然不希望发生这种情况，因此，如果一家公司看起来没有防御能力，那么投资者将认为该公司存在巨大的上升空间。简而言之，一家公司越是有防御能力，它就越有价值。Warren Buffett将这种防御能力的概念称为“经济护城河”，它可以保护着里面的经济城堡（即为投资者提供丰厚的回报）。

然而，防御能力或经济护城河的概念指的是两个不同的概念，它们通常可以互换使用：

虽然这两个因素都有着重要价值，但我们必须强调它们之间的细微差别：粘性是指客户留存，而卓越的价值主张是指拉新客户。在评估大型成熟企业时，这些术语通常可以互换使用，但我认为，在评估初创企业时，必须牢记这些细微差别，因为初创企业通常更注重从零开始增长收入基础。

粘性并不粘

虽然我一直认为“粘性”这个词过于口语化，不适合其他投资术语，但它确实受益于其不言自明的事实。如果一家企业具有粘性，则意味着即使他们提供更好的价格，客户也很难转向另一家供应商。 粘性业务特征的一些示例包括：

将以上几点结合起来可以使企业变得“更好”，对于已经拥有庞大客户群的公司来说，这一点尤其需要注意。在实践中，粘性有助于防止企业被削弱或破坏，因此对于成熟的公司（有私募股权支持或公开交易）来说，粘性更为重要。对于初创公司来说，粘性就没那么重要了。

设计不公平的优势

另一方面，拥有卓越的价值主张是指公司拉新客户的能力。这些因素是对“为什么其他人不能做这个项目”或“当一批创业公司出现在这个类别时会发生什么”等问题最有价值的防御。这在热门领域尤为重要，因为每周都有新的初创公司出现，并冒着相互商品化的风险。

当我们考虑那些能够以风险投资规模起步和成长的初创公司时，这些类型的经济护城河对我们来说是最有说服力，也是最有趣的。在技术/创业领域推动卓越价值主张的护城河的几个例子包括：

公司和投资者在评估初创企业的护城河时，通常会指出粘性业务特征，而实际上，对于增长低收入的基础来说，提供卓越的价值主张的能力更为重要。虽然从本质上讲，粘性会让企业发展得更好，但在公司成功的早期阶段，它通常不如开发一个深层的价值主张的护城河重要。

回到生成式AI

在我的上一篇文章中，我们谈到了基础模型，这是指公司在其特定领域（如语言、视频等）训练自己的模型，以作为一个差异化点。我们还简要谈到了一点，即投入模型培训的资金可能会为这些公司创造一条护城河：

“计算资源的纯粹成本和稀缺性，将为快速融资并首先训练模型的初创公司创造创造一条护城河......如果计算支出更具防御性，那么它可能会成为一种战略优势（类似于建造工厂可以成为制造商的持久战略优势）。

公平地说，如果你认为上述说法是正确的，那么Foundation Model将围绕其业务拥有成本与规模优势（更不用说GPU可访问性护城河）。任何想要进入这个行业的人都必须重新创造这种模式来与Foundation Model竞争，并且可能需要追赶一段时间。

但是，其他企业在生成式AI（例如，应用AI企业）中构建的东西呢？说他们没有且也不会在业务周围建起护城河真的公平吗？就我个人而言，我认为这种观点过于简单化，并且掩盖了我们通常会在传统企业中看到的护城河。在本文中，我将介绍应用AI企业构建的三条最常见的护城河。

1. AI护城河的圣杯：数据护城河

AI模型是由它们的数据定义的：它们在定义上是一种垃圾输入/输出的情况。在这一点上，AI模型的规模在很大程度上趋于平缓，但人们越来越关注提高数据数量和质量（有时被称为数据为中心的AI运动）。能够整合其他公司无法访问的专有数据集的公司，始终能够在AI领域拥有巨大的优势。

对于那些有兴趣深入研究这个主题的人来说，Abraham Thomas关于数据业务经济学的substack文章非常值得一读。在这篇文章中，有很多关于数据收集的有趣见解，我们认为以下内容是AI业务核心的数据收集策略（按有效性大致排序）：

2. 易证难证：技术护城河

目前，AI有一点特质与传统软件不同，那就是它真的很难。现代AI只出现了十年，并且在最近几年才成为主流学科。我们已经发表了许多关于全球技术技能差距的文章，但这种差距在AI领域最为明显。在麦肯锡最近的AI状况报告中，AI数据科学家被列为技术部门最难填补的职位，机器学习工程师的排名紧随其后：

现实的情况是，AI是新事物，而且正在迅速发展。世界上根本没有足够多的人知道AI是如何工作、如何使用它进行构建，以及如何掌握一切知识。出于这个原因，我们看到AI公司在竞争中脱颖而出。他们拥有更强大的技术团队，能够跟上一个新领域的创新速度，并且有实力从世界各地的精英机构中招募和留住顶级人才。

这方面最好的最好的例子可能是最热门的AI子类别，即大型语言模型（LLM）。值得注意的是，LLM的提供商无法访问专有数据集，因为他们都是在同一个语料库中进行训练的，这个语料库就是互联网。相反，他们在技术能力的基础上相互竞争，最强大的NLP团队已经能够构建最好的产品。我们已经在OpenAI、Anthropic和Radical投资组合公司Cohere中看到了这一点，尽管数据语料库已商品化，但它们的表现已经远远超过了它们的LLM竞争对手。

然而，对于应用AI业务来说，并不是每个用例都需要差异化的技术团队。例如，营销文案领域的早期赢家就来自非技术背景，事实证明，在这些领域，产品与客户体验比技术能力更重要。在这个使用案例中，这里的重要区别最终变成了“这真的重要吗”的问题。如果你能证明它确实很重要，而且你拥有该领域最强大的技术团队，那么我们认为这将是一个非常深入且可防御的护城河。

我们认为，这对于高度复杂的应用AI用例（如ML基础设施），或最后1%的准确率非常重要的用例（如医疗保健）来说是至关重要的。对于不那么复杂且不那么关键的用例来说（如销售和营销），我们认为这不太相关，并且更难以相信正在创建真正的护城河。

3. 有利于现有企业的护城河：分销护城河

反过来说，任何AI创始人都需要敏锐地意识到，更成熟的竞争对手可能会利用分销优势来对付他们的护城河。下面是一张来自Statista的图表，该图标详细地说明了这一点（尽管是在一个不同的行业）：

尽管我是微软的铁杆粉丝，但我还是要承认Microsoft Teams是一款糟糕的产品。Slack是一款更优雅、更易于使用、更有活力的产品。他们在Teams产品发布方面有大约3年的领先优势，在Teams落地前，他们利用这个优势建立了庞大的客户基础和品牌知名度。

微软已经与全球超过10亿的Office终端用户以及100万家不同的公司建立了关系。一旦他们向客户群提供Teams（并能够将其与视频产品捆绑），他们就能够在总用户群方面爆发式增长（Teams最近在2022年达到了惊人的2.7亿日活跃用户）。

Slack仍然是一个重要的成功故事，因为它被Salesforce以277亿美元收购，所以我不确定是否有人会为他们感到难过。话虽如此，企业的反应速度比以往任何时候都要快，几家大型软件企业迅速建立了一个强大的应用AI产品。其中最著名的两个例子是Notion（超过3,000万用户）以及HubSpot（超过167,000家公司的客户），这两家都在最近几周推出了广受好评的AI产品。对于希望建立一个AI原生笔记应用程序或CRM工具的人来说，推销变得更加困难。

AI初创公司可以从中得到的教训是，如果你的竞争对手拥有强大的分销优势，俺么你就需要在他们觉醒之前迅速采取行动，建立一批追随者。微软已经声称他们进一步的计划是，将OpenAI产品应用到PowerPoint中，但AI原生初创公司Tome在推出仅134天后，就拥有了100万用户：很难想象他们会很快就会消失。

综上所述，开始挖掘吧

毫无疑问，考虑到AI领域的创新速度，建立一条护城河比以往任何时候都更重要。虽然实施一种让业务更具粘性的商业模式是一件好事，但这并不能真正帮助你走出去并获得新客户，尤其是在我们目前正在经历的客户注意力的争夺战中。

*本文由CoinTime整理编译，转载请注明来源。